EP4540720A1 - Verfahren zum erzeugen von testdaten für eine simulation eines assistenzsystems eines zumindest teilweise assistiert betriebenen kraftfahrzeugs, computerprogrammprodukt, computerlesbares speichermedium sowie elektronische recheneinrichtung - Google Patents

Verfahren zum erzeugen von testdaten für eine simulation eines assistenzsystems eines zumindest teilweise assistiert betriebenen kraftfahrzeugs, computerprogrammprodukt, computerlesbares speichermedium sowie elektronische recheneinrichtung

Info

Publication number
EP4540720A1
EP4540720A1 EP24700945.9A EP24700945A EP4540720A1 EP 4540720 A1 EP4540720 A1 EP 4540720A1 EP 24700945 A EP24700945 A EP 24700945A EP 4540720 A1 EP4540720 A1 EP 4540720A1
Authority
EP
European Patent Office
Prior art keywords
test data
data
computing device
electronic computing
simulation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP24700945.9A
Other languages
English (en)
French (fr)
Inventor
Zafer Kayatas
Pascal Bestle
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mercedes Benz Group AG
Original Assignee
Mercedes Benz Group AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mercedes Benz Group AG filed Critical Mercedes Benz Group AG
Publication of EP4540720A1 publication Critical patent/EP4540720A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Prevention of errors by analysis, debugging or testing of software
    • G06F11/3668—Testing of software
    • G06F11/3672—Test management
    • G06F11/3684—Test management for test design, e.g. generating new test cases
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/04—Monitoring the functioning of the control system
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Prevention of errors by analysis, debugging or testing of software
    • G06F11/3668—Testing of software
    • G06F11/3696—Methods or tools to render software testable
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks

Definitions

  • Method for generating test data for a simulation of an assistance system of an at least partially assisted motor vehicle computer program product, computer-readable storage medium and electronic computing device
  • the invention relates to a method for generating test data for a simulation of an assistance system of an at least partially assisted motor vehicle by means of an electronic computing device.
  • the invention further relates to a computer program product, a computer-readable storage medium and an electronic computing device.
  • simulation has proven to be a promising tool for the validation of driver assistance systems.
  • simulation makes it possible to generate a set of trajectories of the surrounding vehicles based on a limited number of real trajectories recorded during test drives.
  • Real safety-relevant driving situations are taken into account, in particular from the totality of the recorded data from the test drives, and evaluated for their criticality. Such situations are then simulated.
  • Simulation here means the generation of a set of trajectories of one or more neighboring vehicles that are close to the real trajectories recorded during test drives, but represent a larger set of possible trajectories. The significance of the results depends heavily on how realistically the simulated test cases can depict real traffic situations.
  • US 2022/100635 A1 describes a validation of autonomous control software for the autonomous operation of a motor vehicle.
  • the autonomous control software is guided through a driving scenario to observe a result for the autonomous control software.
  • a validation model is guided through the driving scenario several times to observe a result for the model for each of the several times. Whether the software has understood the driving scenario is determined based on whether the result for the software indicates that a virtual vehicle controlled by the software collided with another object during the individual time. Whether the validation model has understood the driving scenario is determined based on whether the result for the model indicates that a virtual vehicle under the control of the model collided with another object at one of the several times.
  • the software is validated based on the findings.
  • the object of the present invention is to provide a method, a computer program product, a computer-readable storage medium and an electronic computing device by means of which an improved generation of test data for the electronic computing device can be realized.
  • One aspect of the invention relates to a method for generating test data for a simulation of an assistance system of an at least partially assisted motor vehicle by means of an electronic computing device.
  • Training trajectories are extracted from the real trajectory data using the electronic computing device.
  • a variable autoencoder of the electronic computing device is trained with the extracted training trajectories.
  • Potential test data for the simulation is generated using the trained variable autoencoder.
  • the real recorded trajectory data is compared with the potential test data using the electronic computing device and test data is identified depending on the comparison for the simulation.
  • a novel approach based on artificial intelligence is proposed for generating realistic driving scenarios for the simulative validation of assistance systems.
  • This increases the quality of the simulative validation through realistic test cases and reduces the high complexity and effort required for mathematical modeling of driving scenarios.
  • a Kl model trained with real driving data in particular the variable autoencoder, is used to generate driving scenarios for the simulative validation.
  • the invention is not limited to the development of a corresponding model for artificial intelligence, but includes the entire workflow from the preprocessing of raw measurement data to the integration of the newly generated data using the artificial intelligence model into the entire simulation environment.
  • the potential test data and/or the test data are generated in such a way that they enable a functional device of the assistance system to be controlled.
  • a functional device of the assistance system For example, an acceleration device, a braking device, a lateral acceleration device or a steering device can be considered as a functional device.
  • a functional device of the assistance system is controlled on the basis of the test data generated.
  • the generated data can be used as "functional data" for controlling a technical device, in particular the assistance system.
  • the assistance system can be controlled based on the test data actually generated, in particular corresponding parameters of the generated trajectory, in order to have a corresponding effect on the assistance system, in particular on driving the motor vehicle.
  • the driver assistance system can be designed to control a speed, an acceleration, a braking system or even as a steering wheel.
  • test data is extracted using a classifier in the electronic computing device.
  • a classifier In order to have enough data for training the autoencoder, series of measurements from test drives are used, from which successive sequences are extracted using a sliding window method, for example, which can then be preprocessed.
  • a so-called classifier is then used to identify safety-relevant situations and cut them out to form a training set. Marked/labeled data that represent safety-relevant situations is used to train the classifier. Training can be carried out using real historical data, i.e. the actual trajectory data, or simulated data.
  • the classifier is trained using the lateral position trajectories in order to identify the safety-critical situations and cut out the trajectory-relevant objects, especially those that cause safety-relevant scenarios, with their trajectories.
  • trajectory data is filtered so that unphysical behavior of at least one road user is removed from the real trajectory data.
  • objects in the trajectory data with a short period of existence can be identified as ghost objects and filtered out.
  • the real trajectory data is compared qualitatively and quantitatively with the potential test data.
  • the quality of the data generated depends heavily on the quality of the data used to train the autoencoder.
  • Comprehensive preprocessing of the data is therefore the basis for good performance when generating new data for the simulation.
  • Preprocessing refers to all transformations of the raw data.
  • the starting point is, for example, the selection suitable measurement signals to characterize the movements of the objects included in the measurement. L-shapes based on the analysis of sensor data are used to identify the movement of the traffic objects relative to the ego vehicle, in particular the motor vehicle equipped with the corresponding sensors.
  • a cascade of different filters for example min-max filters, Savitzky-Golay filters, is then used to smooth the measurement data and remove unphysical behavior, for example signal jumps.
  • filter sections with a low density of available measurements and thus greater uncertainty are ignored and objects with only a short period of existence are identified as ghost objects and filtered out.
  • a further aspect of the invention relates to a computer program product with program code means which cause an electronic computing device to carry out a method according to the previous aspect, as the program code means are processed by the electronic computing device.
  • a further aspect of the invention relates to a computer-readable storage medium with the computer program product.
  • the invention also relates to an electronic computing device for generating test data for a simulation of an assistance system of an at least partially assisted motor vehicle, with at least one variable autoencoder, wherein the electronic computing device is designed to carry out a method according to the preceding aspect.
  • the method is carried out by means of the electronic computing device.
  • the electronic computing device comprises, for example, processors, circuits, in particular integrated circuits, as well as other electronic components in order to be able to carry out corresponding process steps.
  • Advantageous embodiments of the method are to be regarded as advantageous embodiments of the electronic computing device.
  • the electronic computing device has, for example, material features for this purpose in order to be able to carry out corresponding method steps.
  • Fig. 1 is a schematic plan view of an embodiment of a motor vehicle with an embodiment of an assistance system with an embodiment of an electronic computing device;
  • Fig. 2 is a schematic flow diagram according to an embodiment of the method
  • Fig. 3 is a schematic block diagram according to an embodiment of a variable autoencoder
  • Fig. 4 is a schematic plan view of a scenario with an embodiment of a motor vehicle.
  • Fig. 5 is a schematic diagram for data analysis.
  • Fig. 1 shows a schematic plan view of an embodiment of a motor vehicle 10.
  • the motor vehicle 10 is operated at least partially assisted.
  • the motor vehicle 10 can also be operated fully assisted.
  • the motor vehicle 10 has in particular an assistance system 12.
  • the assistance system 12 has in particular an electronic computing device 14.
  • an object is formed in an environment 16 of the motor vehicle 10, which is shown below in particular as another motor vehicle 18.
  • the other motor vehicle 18 has a trajectory 20, which runs, for example, in the lane of the motor vehicle 10. This could be a safety-critical situation, for example emergency braking situations, in which the assistance system 12 has to react accordingly if the motor vehicle 10 is in the at least partially assisted ferry operation.
  • Fig. 2 shows a schematic flow diagram according to an embodiment of the method.
  • a first step S1 real recorded trajectory data 36 (see Fig. 5), for example the trajectory data 20, of the object are measured.
  • a second step S2 sequences of measurements are extracted.
  • the measurement signals are preprocessed, in particular the identification of unphysical behavior and so-called ghost objects.
  • the objects are classified, in particular by means of a classifier which is trained with labeled simulation data.
  • data is then generated with the variable autoencoder 22 (Fig. 3) for the specific object class.
  • a qualitative and quantitative evaluation of the corresponding data takes place, for example with a hyperparameter optimization.
  • the integration into the existing simulation is then carried out.
  • the generated test data is simulated and, in particular, its safety-critical evaluation is carried out.
  • Fig. 3 shows a schematic block diagram according to an embodiment of a variable autoencoder 22.
  • the variable autoencoder 22 has at least one encoder 24 and one decoder 26, wherein both the encoder 24 and the decoder 26 can be designed as a convolved neural network. Furthermore, a so-called latent space 28 is shown.
  • the encoder 24 in particular, multivariate data from Time series are processed, and a reconstruction 34 takes place in the decoder 26.
  • the test data 30 can be generated on the basis of the reconstruction 34 and the latent space 28.
  • Fig. 3 shows the variable autoencoder 22, which is used as the basic architecture of the artificial neural network for generating the test data 30.
  • the autoencoder 22 consists of two essential parts, in particular the encoder 24 and the decoder 26. These are trained to replicate the input data by transforming the input in a low-dimensional latent space 28, which corresponds in particular to the encoder part, and reconstructing the input from this latent space 28, which corresponds in particular to the decoder part.
  • the encoder of a variable autoencoder 22 differs from that of a regular autoencoder in that it can map the input data as a multivariate latent distribution. A sample is then drawn from this distribution and passed through the decoder 26, which creates a realistic reconstruction 34 of the input data. The new data can be generated by passing randomly drawn codes through the decoder 26.
  • Multidimensional time series 32 are planned for the generative model, which are particularly challenging due to the temporal dependencies within the signals.
  • the use of convolutional neural networks, which are usually used for image data, has proven to be promising for overcoming this particular challenge.
  • deep neural networks or recurrent neural networks can also be used.
  • the architecture of the network and the learning process are optimized by hyperparameter optimization in the form of a grid search.
  • Autocorrelation takes the temporal aspect into account.
  • Autocorrelation is used to examine whether the generated data reflects the temporal dependencies of the test data 30.
  • autocorrelation is a correlation of a signal with a delayed version of itself. It measures the relationship between the current value of the signal and its original values.
  • MiVo a metric called MiVo (Mean of incoming Variance of outgoing) can also be used. This is based on distance measures using the nearest neighbors for all training samples as well as for all generated samples. MiVo not only enables an assessment of how realistic the generated data is, but also how diverse it is. Test data 30 generated for a specific scenario is then used to test the response of the assistance system 12 to this scenario.
  • Fig. 4 shows a schematic top view of a scenario with an embodiment of the motor vehicle 10.
  • an L-shape based on the analysis of sensor data from a sensor 40 or a plurality of sensors 40 is shown. Due to the limited field of view, a sensor 40 perceives the surrounding other motor vehicles 38 as the rear and one of the side surfaces (depending on which side the surrounding vehicle was facing the sensor during the maneuver). The perceived image is reminiscent of the letter L and is referred to as an L-shape 40. L-shapes 40 based on the analysis of sensor data are used to identify the movement of the traffic objects relative to the ego vehicle, in particular the motor vehicle 10, which is equipped with the corresponding sensors 40.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Erzeugen von Testdaten (30) für eine Simulation eines Assistenzsystems (12) eines zumindest teilweise assistiert betriebenen Kraftfahrzeugs (10) mittels einer elektronischen Recheneinrichtung (14), mit den Schritten: Vorgeben von real erfassten Trajektoriendaten (36) von zumindest einer Fahrsituation für den zumindest teilweise assistierten Fahrbetrieb des Kraftfahrzeugs (10); (S1), Extrahieren von Trainingstrajektorien aus den Trajektoriendaten (36) mittels der elektronischen Recheneinrichtung (14); (S2), Trainieren von einem variablen Autoencoder (22) der elektronischen Recheneinrichtung (14) mit den extrahierten Trainingstrajektorien; (S3, S4), Erzeugen von potentiellen Testdaten (30) für die Simulation mittels des trainierten variablen Autoencoders (22); (S5), Vergleichen der real erfassten Trajektoriendaten (36) mit den potentiellen Testdaten (30) mittels der elektronischen Recheneinrichtung (14); (S6) und Identifizieren von Testdaten (30) in Abhängigkeit von dem Vergleich für die Simulation (S7). Ferner betrifft die Erfindung ein Computerprogrammprodukt, ein computerlesbares Speichermedium sowie eine elektronische Recheneinrichtung (14).

Description

Mercedes-Benz Group AG
Verfahren zum Erzeugen von Testdaten für eine Simulation eines Assistenzsystems eines zumindest teilweise assistiert betriebenen Kraftfahrzeugs, Computerprogrammprodukt, computerlesbares Speichermedium sowie elektronische Recheneinrichtung
Die Erfindung betrifft ein Verfahren zum Erzeugen von Testdaten für eine Simulation eines Assistenzsystems eines zumindest teilweise assistiert betriebenen Kraftfahrzeugs mittels einer elektronischen Recheneinrichtung. Ferner betrifft die Erfindung ein Computerprogrammprodukt, ein computerlesbares Speichermedium sowie eine elektronische Recheneinrichtung.
Aus dem Stand der Technik ist bereits das automatisierte beziehungsweise assistierte Fahren von Kraftfahrzeugen bekannt. Zu den Beweggründen gehören die Verbesserung der Sicherheit, die effizientere Nutzung von Ressourcen sowie die Steigerung des Komforts. Der Sicherheitsnachweis für fortschrittliche Fahrerassistenzsysteme, welche das hochautomatisierte Fahren, stellt neue Herausforderungen für die Validierung und Prüfung dar, da der bisher übliche Ansatz, der sich in erster Linie auf reale Testfahrdaten konzentriert, das Abfahren von unzumutbar großen Strecken erfordern würde. Will man beispielsweise ein System zur Notbremsung testen, wenn ein anderes Fahrzeug auf einer Autobahn unerwartet die Spur wechselt, müssen die Entwickler für ein solches System viel Zeit aufwenden, um genügend solcher Situationen auf der Straße aufzuzeichnen. Die aufgezeichneten Situationen werden dann zum Testen des Fahrerassistenzsystems verwendet. Darüber hinaus ergeben sich neue Herausforderungen, wie die Übernahmesituation zwischen dem System und dem menschlichen Fahrer.
Angesichts dieser Ausführungen hat sich die Simulation als ein vielversprechendes Instrument für die Validierung von Fahrerassistenzsystemen erwiesen. Mit anderen Worten, die Simulation ermöglicht es, eine Reihe von Trajektorien der umgebenden Fahrzeuge auf der Grundlage einer begrenzten Anzahl von realen Trajektorien zu generieren, die während der Testfahrten aufgezeichnet wurden. Dabei werden reale sicherheitsrelevante Fahrsituationen, insbesondere aus der Gesamtheit der aufgezeichneten Daten der Testfahrten, ausgewählt und auf ihre Kritikalität hin bewertet. Anschließend werden solche Situationen simuliert. Unter Simulation wird hierbei die Generierung eines Satzes von Trajektorien eines oder mehrerer benachbarter Fahrzeuge verstanden, die den bei Testfahrten aufgezeichneten realen Trajektorien nahekommen, aber einen größeren Satz möglicher Trajektorien darstellen. Die Aussagekraft der Ergebnisse hängt stark davon ab, wie realistisch die simulierten Testfälle reale Verkehrssituationen abbilden können.
Die US 2022/100635 A1 beschreibt dabei eine Validierung von autonomer Steuerungssoftware für den autonomen Betrieb eines Kraftfahrzeugs. Zum Beispiel wird die autonome Steuerungssoftware durch ein Fahrszenario geführt, um ein Ergebnis für die autonome Steuerungssoftware zu beobachten. Ein Validierungsmodell wird mehrere Male durch das Fahrszenario geführt, um ein Ergebnis für das Modell für jedes der mehreren Male zu beobachten. Ob die Software das Fahrszenario verstanden hat, wird anhand der Tatsache bestimmt, ob das Ergebnis für die Software anzeigt, dass ein virtuelles Fahrzeug, das von der Software gesteuert wird, während der einzelnen Zeit mit einem anderen Objektiv kollidiert ist. Ob das Validierungsmodell das Fahrszenario verstanden hat, wird auf der Grundlage bestimmt, ob das Ergebnis für das Modell anzeigt, dass ein virtuelles Fahrzeug unter Kontrolle des Modells mit einem anderen Objekt in einem der mehreren Zeitpunkte kollidiert ist. Die Software wird auf Grundlage der Feststellungen validiert.
Aufgabe der vorliegenden Erfindung ist es, ein Verfahren, ein Computerprogrammprodukt, ein computerlesbares Speichermedium sowie eine elektronische Recheneinrichtung zu schaffen, mittels welchen ein verbessertes Erzeugen von Testdaten für die elektronische Recheneinrichtung realisiert werden kann.
Diese Aufgabe wird durch ein Verfahren, ein Computerprogrammprodukt, ein computerlesbares Speichermedium sowie eine elektronische Recheneinrichtung gemäß den unabhängigen Patentansprüchen gelöst. Vorteilhafte Ausgestaltungsformen sind in den Unteransprüchen angegeben.
Ein Aspekt der Erfindung betrifft ein Verfahren zum Erzeugen von Testdaten für eine Simulation eines Assistenzsystems eines zumindest teilweise assistiert betriebenen Kraftfahrzeugs mittels einer elektronischen Recheneinrichtung. Es erfolgt das Vorgeben von real erfassten Trajektoriendaten von zumindest einer Fahrsituation für den zumindest teilweise assistierten Fährbetrieb des Kraftfahrzeugs. Es werden Trainingstrajektorien aus den real eingefahrenen Trajektoriendaten mittels der elektronischen Recheneinrichtung extrahiert. Es wird ein variabler Autoencoder der elektronischen Recheneinrichtung mit den extrahierten Trainingstrajektorien trainiert. Es erfolgt das Erzeugen von potentiellen Testdaten für die Simulation mittels des trainierten variablen Autoencoders. Es werden die real erfassten Trajektoriendaten mit den potentiellen Testdaten mittels der elektronischen Recheneinrichtung verglichen und es erfolgt ein Identifizieren von Testdaten in Abhängigkeit von dem Vergleich für die Simulation.
Insbesondere wird somit ein neuartiger, auf künstlicher Intelligenz basierender Ansatz zur Erzeugung realistischer Fahrszenarien für die simulative Validierung von Assistenzsystemen vorgeschlagen. Dies erhöht sowohl die Qualität der simulativen Validierung durch realitätsgetreue Testfälle und reduziert die hohe Komplexität und den Aufwand zur mathematischen Modellierung von Fahrszenarien wird dabei ebenfalls reduziert. Insbesondere ist somit vorgesehen, dass anstelle von mathematischen Modellen und physikalischen Parametern ein mit realen Fahrdaten trainiertes Kl-Modell, insbesondere der variable Autoencoder, zur Generierung von Fahrszenarien für die simulative Validierung eingesetzt wird. Dabei ist die Erfindung nicht auf die Entwicklung eines entsprechenden Modells für die künstliche Intelligenz beschränkt, sondern fasst den kompletten Workflow von der Vorverarbeitung von Rohmessdaten bis zur Integration der neu generierten Daten mittels des künstlichen Intelligenz-Modells in die gesamte Simulationsumgebung mit ein.
Insbesondere kann dabei vorgesehen sein, dass die potentiellen Testdaten und/oder die Testdaten derart erzeugt werden, dass mit diesen eine Ansteuerung einer Funktionseinrichtung des Assistenzsystems ermöglicht wird. Beispielsweise kann als Funktionseinrichtung eine Beschleunigungseinrichtung, eine Bremseinrichtung, eine Querbeschleunigungseinrichtung beziehungsweise Lenkeinrichtung angesehen werden. Ferner kann insbesondere auch vorgesehen sein, dass auf Basis der erzeugten Testdaten eine Ansteuerung einer Funktionseinrichtung des Assistenzsystems durchgeführt wird.
Insbesondere können somit die generierten Daten (Testdaten) als "Funktionsdaten" für die Steuerung einer technischen Vorrichtung, insbesondere des Assistenzsystems, angesehen werden können, wenn diese speziell für die Zwecke ihrer beabsichtigten technischen Verwendung angepasst werden. Insbesondere kann somit auf Basis der tatsächlich generierten Testdaten eine Ansteuerung des Assistenzsystems, insbesondere entsprechende Parameter der erzeugten Trajektorie, genutzt werden, um somit eine entsprechende Auswirkung auf das Assistenzsystem, insbesondere auf ein Fahren des Kraftfahrzeugs, durchzuführen. Beispielsweise kann das Fahrerassistenzsystem zum Regeln einer Geschwindigkeit, einer Beschleunigung, eines Bremssystems oder auch als Lenkrad ausgebildet sein.
Weiterhin vorteilhaft ist, dass mittels eines Klassifikators der elektronischen Recheneinrichtung die Testdaten extrahiert werden. Um insbesondere genügend Daten für das Training für den Autoencoder zu haben, werden Messreihen von Testfahrten verwendet, aus denen beispielsweise mit einer Sliding-Window-Methode aufeinanderfolgende Sequenzen extrahiert werden, die dann vorverarbeitet werden können. Insbesondere wird dann ein sogenannter Klassifikator verwendet, um sicherheitsrelevante Situationen zu erkennen und diese für die Bildung einer Trainingsmenge auszuschneiden. Für das Training des Klassifikators werden markierte/gelabelte Daten verwendet, die sicherheitsrelevante Situationen darstellen. Das Training kann mit realen historischen Daten, also den real eingefahrenen Trajektoriendaten, oder mit simulierten Daten durchgeführt werden. Im Endeffekt wird der Klassifikator mit den lateralen Positionstrajektorien trainiert, um die sicherheitskritischen Situationen zu erkennen und die trajektorienrelevanten Objekte, insbesondere die, die sicherheitsrelevante Szenarien verursachen, mit ihren Trajektorien auszuschneiden.
Weiterhin vorteilhaft ist, wenn Trajektoriendaten gefiltert werden, sodass ein unphysikalisches Verhalten von zumindest einem Verkehrsteilnehmer in den real erfassten Trajektoriendaten entfernt wird. Dabei können beispielsweise Objekte in den Trajektoriendaten mit kurzer Existenzdauer als Geisterobjekt identifiziert und herausgefiltert werden. Ferner kann vorgesehen sein, dass die real erfassten Trajektoriendaten mit den potentiellen Testdaten qualitativ und quantitativ verglichen werden. Insbesondere hängt somit die Qualität der erzeugten Daten stark von der Qualität der Daten ab, die für das Training des Autoencoders verwendet werden. Eine umfassende Vorverarbeitung der Daten ist daher die Grundlage für eine gute Leistung bei der Erzeugung neuer Daten für die Simulation. Die Vorverarbeitung bezieht sich auf alle Transformationen der Rohdaten. Ausgangspunkt ist beispielsweise die Auswahl geeigneter Messsignale, um die Bewegungen der in der Messung enthaltenen Objekte zu charakterisieren. L-Formen, die auf der Analyse von Sensordaten basieren, werden verwendet, um die Bewegung der Verkehrsobjekte relativ zum Ego-Fahrzeug, insbesondere des Kraftfahrzeugs, welches mit den entsprechenden Sensoren ausgestattet ist, zu identifizieren.
Eine Kaskade verschiedener Filter, zum Beispiel Min-Max-Filter, Savitzky-Golay-Filter, wird dann verwendet, um die Messdaten zu glätten und unphysikalisches Verhalten, zum Beispiel durch Signalsprünge, zu entfernen. Darüber hinaus werden Messabschnitte mit einer geringen Dichte von verfügbaren Messungen und damit größere Unsicherheit ignoriert und Objekte mit nur kurzer Existenzdauer als Geisterobjekte identifiziert und herausgefiltert.
Bei dem vorgestellten Verfahren handelt es sich insbesondere um ein computerimplementiertes Verfahren. Daher betrifft ein weiterer Aspekt der Erfindung ein Computerprogrammprodukt mit Programmcodemitteln, welche eine elektronische Recheneinrichtung dazu veranlassen, wie die Programmcodemittel von der elektronischen Recheneinrichtung abgearbeitet werden, ein Verfahren nach dem vorhergehenden Aspekt durchzuführen.
Ein weiterer Aspekt der Erfindung betrifft ein computerlesbares Speichermedium mit dem Computerprogrammprodukt.
Ferner betrifft die Erfindung auch eine elektronische Recheneinrichtung zum Erzeugen von Testdaten für eine Simulation eines Assistenzsystems eines zumindest teilweise assistiert betriebenen Kraftfahrzeugs, mit zumindest einem variablen Autoencoder, wobei die elektronische Recheneinrichtung zum Durchführen eines Verfahrens nach dem vorhergehenden Aspekt ausgebildet ist. Insbesondere wird das Verfahren mittels der elektronischen Recheneinrichtung durchgeführt.
Die elektronische Recheneinrichtung weist beispielsweise Prozessoren, Schaltkreise, insbesondere integrierte Schaltkreise, sowie weitere elektronische Bauelemente auf, um entsprechende Verfahrensschritte durchführen zu können. Vorteilhafte Ausgestaltungen des Verfahrens sind als vorteilhafte Ausgestaltungsformen der elektronischen Recheneinrichtung anzusehen. Die elektronische Recheneinrichtung weist beispielsweise hierzu gegenständliche Merkmale auf, um entsprechende Verfahrensschritte durchführen zu können.
Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung bevorzugter Ausführungsbeispiele sowie anhand der Zeichnungen. Die vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinationen sowie die nachfolgend in der Figurenbeschreibung genannten und/oder in den Figuren alleine gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar, ohne den Rahmen der Erfindung zu verlassen.
Dabei zeigen:
Fig. 1 eine schematische Draufsicht auf eine Ausführungsform eines Kraftfahrzeugs mit einer Ausführungsform eines Assistenzsystems mit einer Ausführungsform einer elektronischen Recheneinrichtung;
Fig. 2 ein schematisches Ablaufdiagramm gemäß einer Ausführungsform des Verfahrens;
Fig. 3 ein schematisches Blockschaltbild gemäß einer Ausführungsform eines variablen Autoencoders;
Fig. 4 eine schematische Draufsicht auf ein Szenario mit einer Ausführungsform eines Kraftfahrzeugs; und
Fig. 5 ein schematisches Diagramm für eine Datenanalyse.
In den Figuren sind gleiche oder funktionsgleiche Elemente mit gleichen Bezugszeichen versehen. Fig. 1 zeigt eine schematische Draufsicht auf eine Ausführungsform eines Kraftfahrzeugs 10. Das Kraftfahrzeug 10 ist zumindest teilweise assistiert betrieben. Das Kraftfahrzeug 10 kann auch vollassistiert betrieben sein. Hierzu weist das Kraftfahrzeug 10 insbesondere ein Assistenzsystem 12 auf. Das Assistenzsystem 12 weist insbesondere eine elektronische Recheneinrichtung 14 auf.
Insbesondere ist in einer Umgebung 16 des Kraftfahrzeugs 10 ein Objekt ausgebildet, welches im Folgenden insbesondere als weiteres Kraftfahrzeug 18 dargestellt ist. Das weitere Kraftfahrzeug 18 weist eine Trajektorie 20 auf, welche beispielsweise auf die Spur des Kraftfahrzeugs 10 verläuft. Hierbei könnte es sich um eine sicherheitskritische Situation, beispielsweise um Notbremssituationen handeln, in welcher das Assistenzsystem 12 entsprechend zu reagieren hat, wenn das Kraftfahrzeug 10 in dem zumindest teilweise assistierten Fährbetrieb ist.
Fig. 2 zeigt ein schematisches Ablaufdiagramm gemäß einer Ausführungsform des Verfahrens. In einem ersten Schritt S1 werden real erfasste Trajektoriendaten 36 (s. Fig. 5), beispielsweise die Trajektoriendaten 20, des Objekts messtechnisch erfasst. In einem zweiten Schritt S2 erfolgt die Extraktion von Sequenzen der Messungen. In einem dritten Schritt S3 erfolgt das Vorverarbeiten der Messsignale, insbesondere die Identifikation von unphysikalischem Verhalten und sogenannten Geisterobjekten. In einem vierten Schritt S4 erfolgt die Klassifikation der Objekte, insbesondere mittels eines Klassifikators, welcher mit gelabelten Simulationsdaten antrainiert. Es erfolgt dann in einem fünften Schritt S5 die Datenerzeugung mit dem variablen Autoencoder 22 (Fig. 3) für die spezifische Objektklasse. Hierzu kann zusätzlich vorgesehen sein, dass in einem sechsten Schritt S6 eine qualitative und quantitative Bewertung der entsprechenden Daten stattfindet, beispielsweise mit einer Hyperparameteroptimierung. In einem siebten Schritt S7 wird dann wiederum die Integration in die existierende Simulation durchgeführt. Im achten Schritt S8 erfolgt dann die Simulation der generierten Testdaten und insbesondere auch deren sicherheitskritische Evaluation.
Fig. 3 zeigt ein schematisches Blockschaltbild gemäß einer Ausführungsform eines variablen Autoencoders 22. Der variable Autoencoder 22 weist zumindest einen Encoder 24 sowie einen Decoder 26 auf, wobei sowohl der Encoder 24 als auch der Decoder 26 als gefaltetes neuronales Netzwerk ausgebildet sein können. Ferner ist ein sogenannter latenter Raum 28 gezeigt. Im Encoder 24 werden insbesondere multivariate Daten von Zeitserien verarbeitet, und im Decoder 26 erfolgt eine Rekonstruktion 34. Auf Basis der Rekonstruktion 34 und des latenten Raums 28 können die Testdaten 30 erzeugt werden.
Insbesondere zeigt die Fig. 3 den variablen Autoencoder 22, welcher als grundlegende Architektur des künstlichen neuronalen Netzes zur Erzeugung der Testdaten 30 verwendet wird. Der Autoencoder 22 besteht dabei aus zwei wesentlichen Teilen, insbesondere dem Encoder 24 und dem Decoder 26. Diese werden darauf trainiert, die Eingabedaten zu replizieren, indem die Eingabe in einem niedrigdimensionalen latenten Raum 28 transformiert wird, was insbesondere dem Encoderteil entspricht, und die Eingabe aus diesem latenten Raum 28 rekonstruiert wird, was insbesondere dem Decoderteil entspricht. Der Kodierer eines variablen Autoencoders 22 unterscheidet sich von dem eines regulären Autoencoders dadurch, dass er die Eingabedaten als eine multivariate latente Verteilung abbilden kann. Anschließend wird eine Stichprobe aus dieser Verteilung gezogen und durch den Decoder 26 geleitet, der eine realitätsgetreue Rekonstruktion 34 der Eingabedaten erstellt. Die neuen Daten können dabei generiert werden, indem zufällig gezogene Kodierungen durch den Decoder 26 geleitet werden.
Für das generative Modell sind mehrdimensionale Zeitreihen 32 vorgesehen, die aufgrund der zeitlichen Abhängigkeiten innerhalb der Signale eine besonders Herausforderung darstellen. Die Verwendung von gefalteten neuronalen Netzwerken, die üblicherweise bei Bilddaten verwendet werden, hat sich als vielversprechend erwiesen, um diese besondere Herausforderung zu bewältigen. Alternativ können beispielsweise auch tiefe neuronale Netze oder auch rekurrente neuronale Netzwerke verwendet werden. Eine Optimierung der Architektur des Netzes und des Lernprozesses erfolgt durch eine Hyperparameter- Optimierung in Form einer Gittersuche.
Um die Leistung des Autoencoders 22 zu bewerten, insbesondere wie realistisch die generierten synthetischen Daten sind, werden sowohl qualitative als auch quantitative Techniken zur Validierung eingesetzt. Bislang gibt es kein Standardverfahren zur Bewertung der Leistung generativer neuronaler Netze bei der Verwendung von Zeitreihensignalen als Eingangsdaten. Um eine differenzierte und umfassende Bewertung vornehmen zu können, werden verschiedene Eigenschaften der Daten berücksichtigt und mit Hilfe ausgewählter Metriken, die speziell für diese technischen Anwendungen konzipiert sind, qualifiziert. Die Gesamtverteilung neuer Datenpunkte für jedes Merkmal unter Vernachlässigung des zeitlichen Aspekts der Daten und einer Kerndichteschätzung werden verwendet, um zu untersuchen, ob die generierten Daten die Gesamtheit der Eingabedaten abdecken.
Eine weitere Metrik, insbesondere Autokorrelation, berücksichtigt den zeitlichen Aspekt. Mit der Autokorrelation wird untersucht, ob die generierten Daten die zeitlichen Abhängigkeiten der Testdaten 30 abbilden. Im Einzelnen ist die Autokorrelation eine Korrelation eines Signals mit einer verzögerten Version seiner selbst. Sie misst die Beziehung zwischen dem aktuellen Wert des Signals und seinen Ursprungswerten.
Ferner kann auch eine Metrik namens MiVo (Mean of incoming Variance of outgoing) verwendet werden. Diese basiert auf Abstandsmaßen unter Verwendung der nächsten Nachbarn für alle Trainingsproben sowie für alle generierten Proben. MiVo ermöglicht nicht nur eine Bewertung, wie realistisch die generierten Daten sind, sondern auch, wie vielfältig sie sind. Für ein bestimmtes Szenario generierte Testdaten 30 werden dann für die Prüfung der Reaktion des Assistenzsystems 12 auf dieses Szenario verwendet.
Fig. 4 zeigt eine schematische Draufsicht auf ein Szenario mit einer Ausführungsform des Kraftfahrzeugs 10. Insbesondere ist eine L-Form basierend auf der Analyse von Sensordaten von einem Sensor 40 beziehungsweise eine Vielzahl von Sensoren 40 gezeigt. Aufgrund des eingeschränkten Sichtfelds nimmt ein Sensor 40 die umliegenden weiteren Kraftfahrzeuge 38 als Rückseite und eine der Seitenflächen wahr (je nachdem, welche Seite das umliegende Fahrzeug dem Sensor während des Manövers zugewandt war). Das wahrgenommene Bild erinnert an den Buchstaben L, und wird als L-Form 40 bezeichnet. L-Formen 40, die auf der Analyse von Sensordaten basieren, werden verwendet, um die Bewegung der Verkehrsobjekte relativ zum Ego-Fahrzeug, insbesondere des Kraftfahrzeugs 10, welches mit den entsprechenden Sensoren 40 ausgestattet ist, zu identifizieren.
Fig. 5 ein schematisches Diagramm für eine Datenanalyse. Insbesondere zeigt die Fig. 5 beispielsweise ein Fahrspurwechselmanöver. Auf der X-Achse ist die Zeit t in [s] aufgetragen und auf der Y-Achse eine laterale Distanz d in [m]. Die real erfassten Trajektoriendaten 36 sind mit einer gestrichelten Linie dargestellt und die Testdaten 30 mit einer durchgezogenen Linie. Die Trajektorien der benachbarten Kraftfahrzeuge sind in Relation zu dem Kraftfahrzeug 10 dargestellt. Insbesondere kann eine Verteilung der Punkte des Trainingsdatensatzes mit der Verteilung der Trajektorienpunkte des generierten Satzes verglichen werden. Diese sind dabei ähnlich, aber nicht. Die Ausläufer gehören zu den sicherheitsrelevanten Szenarien, die einem realistischen Verhalten benachbarter Kraftfahrzeuge entsprechen, das jedoch bei realen Testfahrten nicht erfasst wurde.

Claims

Patentansprüche
1. Verfahren zum Erzeugen von Testdaten (30) für eine Simulation eines Assistenzsystems (12) eines zumindest teilweise assistiert betriebenen Kraftfahrzeugs (10) mittels einer elektronischen Recheneinrichtung (14), mit den Schritten:
- Vorgeben von real erfassten Trajektoriendaten (36) von zumindest einer Fahrsituation für den zumindest teilweise assistierten Fährbetrieb des Kraftfahrzeugs (10); (S1)
- Extrahieren von Trainingstrajektorien aus den Trajektoriendaten (36) mittels der elektronischen Recheneinrichtung (14); (S2)
- Trainieren von einem variablen Autoencoder (22) der elektronischen Recheneinrichtung (14) mit den extrahierten Trainingstrajektorien; (S3, S4)
- Erzeugen von potentiellen Testdaten (30) für die Simulation mittels des trainierten variablen Autoencoders (22); (S5)
- Vergleichen der real erfassten Trajektoriendaten (36) mit den potentiellen Testdaten (30) mittels der elektronischen Recheneinrichtung (14); (S6) und
- Identifizieren von Testdaten (30) in Abhängigkeit von dem Vergleich für die Simulation. (S7)
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass die potentiellen Testdaten (30) und/oder die Testdaten (30) derart erzeugt werden, dass mit diesen eine Ansteuerung einer Funktionseinrichtung des Assistenzsystems (12) ermöglicht wird.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass wobei auf Basis der erzeugten Testdaten (30) eine Ansteuerung einer Funktionseinrichtung des Assistenzsystems (12) durchgeführt wird.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass mittels eines Klassifikators der elektronischen Recheneinrichtung (14) die Trainingstrajektorien extrahiert werden.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Trajektoriendaten (36) gefiltert werden, so dass ein unphysikalisches Verhalten von zumindest einem Objekt (18) in den real erfassten Trajektoriendaten (36) entfernt wird.
6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass
Objekte (18) in den Trajektoriendaten (36) mit nur kurzer Existenzdauer als Geisterobjekte identifiziert und herausgefiltert werden.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die real erfassten Trajektoriendaten (36) mit den potentiellen Testdaten (30) qualitativ und quantitativ verglichen werden.
8. Computerprogrammprodukt mit Programmcodemitteln, welche eine elektronische Recheneinrichtung (14) dazu veranlassen, wenn die Programmcodemittel von der elektronischen Recheneinrichtung (14) abgearbeitet werden, ein Verfahren nach einem der vorhergehenden Ansprüche 1 bis 7 durchzuführen.
9. Computerlesbares Speichermedium mit einem Computerprogrammprodukt nach Anspruch 8.
10. Elektronische Recheneinrichtung (14) zum Erzeugen von Testdaten (30) für eine Simulation eines Assistenzsystems (12) eines zumindest teilweise assistiert betriebenen Kraftfahrzeugs (10), mit zumindest einem variablen Autoencoder (22), wobei die elektronische Recheneinrichtung (14) zum Durchführen eines Verfahrens nach einem der Ansprüche 1 bis 8 ausgebildet ist.
EP24700945.9A 2023-02-06 2024-01-14 Verfahren zum erzeugen von testdaten für eine simulation eines assistenzsystems eines zumindest teilweise assistiert betriebenen kraftfahrzeugs, computerprogrammprodukt, computerlesbares speichermedium sowie elektronische recheneinrichtung Pending EP4540720A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102023000357.3A DE102023000357B3 (de) 2023-02-06 2023-02-06 Verfahren zum Erzeugen von Testdaten für eine Simulation eines Assistenzsystems eines zumindest teilweise assistiert betriebenen Kraftfahrzeugs, Computerprogrammprodukt, computerlesbares Speichermedium sowie elektronische Recheneinrichtung
PCT/EP2024/050743 WO2024165266A1 (de) 2023-02-06 2024-01-14 Verfahren zum erzeugen von testdaten für eine simulation eines assistenzsystems eines zumindest teilweise assistiert betriebenen kraftfahrzeugs, computerprogrammprodukt, computerlesbares speichermedium sowie elektronische recheneinrichtung

Publications (1)

Publication Number Publication Date
EP4540720A1 true EP4540720A1 (de) 2025-04-23

Family

ID=89661118

Family Applications (1)

Application Number Title Priority Date Filing Date
EP24700945.9A Pending EP4540720A1 (de) 2023-02-06 2024-01-14 Verfahren zum erzeugen von testdaten für eine simulation eines assistenzsystems eines zumindest teilweise assistiert betriebenen kraftfahrzeugs, computerprogrammprodukt, computerlesbares speichermedium sowie elektronische recheneinrichtung

Country Status (4)

Country Link
EP (1) EP4540720A1 (de)
CN (1) CN120660077A (de)
DE (1) DE102023000357B3 (de)
WO (1) WO2024165266A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102024115996A1 (de) * 2024-06-07 2025-12-11 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Computerimplementiertes Verfahren zur Validierung und/oder Verifikation einer automatisierten Fahrfunktion eines Kraftfahrzeugs, Datenverarbeitungsanlage, Computerprogramm, Verfahren zum Trainieren eines neuronalen Netzes

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10831636B2 (en) 2018-01-08 2020-11-10 Waymo Llc Software validation for autonomous vehicles
DE102018222264A1 (de) 2018-12-19 2020-06-25 Robert Bosch Gmbh Verfahren, Computerprogramm, maschinenlesbares Speichermedium sowie Vorrichtung zur Datenvorhersage
DE102020205315B4 (de) 2020-04-27 2025-12-24 Volkswagen Aktiengesellschaft Verfahren zur Klassifikation kritischer Fahrsituationen, Auswahl von der kritischen Fahrsituation ähnlichen Daten und Nachtraining des automatischen Systems
DE102020113611A1 (de) 2020-05-20 2021-11-25 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Sicherheitssystem zum Absichern einer automatisierten Fahrzeugfunktion und Kraftfahrzeug
US20220266859A1 (en) * 2021-02-24 2022-08-25 Zoox, Inc. Simulated agents based on driving log data

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KRAJEWSKI ROBERT ET AL: "Data-Driven Maneuver Modeling using Generative Adversarial Networks and Variational Autoencoders for Safety Validation of Highly Automated Vehicles", 2018 21ST INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC), IEEE, 4 November 2018 (2018-11-04), pages 2383 - 2390, XP033470472, ISBN: 978-1-7281-0321-1, [retrieved on 20181207], DOI: 10.1109/ITSC.2018.8569971 *

Also Published As

Publication number Publication date
DE102023000357B3 (de) 2024-06-06
WO2024165266A1 (de) 2024-08-15
CN120660077A (zh) 2025-09-16

Similar Documents

Publication Publication Date Title
AT521607B1 (de) Verfahren und Vorrichtung zum Testen eines Fahrerassistenzsystem
AT523834B1 (de) Verfahren und System zum Testen eines Fahrerassistenzsystems
DE102008013366B4 (de) Verfahren zur Bereitstellung von Information für Fahrerassistenzsysteme
DE102018128289A1 (de) Verfahren und vorrichtung für eine autonome systemleistung und zur einstufung
EP3393875B1 (de) Verfahren zum verbesserten erkennen von objekten durch ein fahrerassistenzsystem
DE102019203712B4 (de) Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammprodukt, Kraftfahrzeug sowie System
EP4222470B1 (de) Computergestütztes verfahren und vorrichtung zur wahrscheinlichkeitsbasierten geschwindigkeitsprognose für fahrzeuge
DE102016109651A1 (de) Verfahren für die Validierung von Fahrzeugfunktionen eines virtuellen autonomen Fahrzeugs
DE102019124018A1 (de) Verfahren zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme
EP4027245A1 (de) Computerimplementiertes verfahren zur bestimmung von ähnlichkeitswerten von verkehrsszenarien
DE102023200314A1 (de) Erzeugung maschinenlesbarer Szenariobeschreibungen aus menschlichen Beschreibungen
DE102019134053A1 (de) Verfahren zur kontinuierlichen Absicherung im Fahrversuch applizierter automatisierter Fahrfunktionen
DE102021110083A1 (de) Trainieren eines künstlichen neuronalen Netzwerks zum Testen einer automatischen Fahrfunktion eines Fahrzeugs
DE102023000357B3 (de) Verfahren zum Erzeugen von Testdaten für eine Simulation eines Assistenzsystems eines zumindest teilweise assistiert betriebenen Kraftfahrzeugs, Computerprogrammprodukt, computerlesbares Speichermedium sowie elektronische Recheneinrichtung
DE102016117136A1 (de) Verfahren zum Bestimmen eines Fahrverhaltens eines Fahrers eines Kraftfahrzeugs zum Betrieb eines Fahrerassistenzsystems des Kraftfahrzeugs, Fahrerassistenzsystem sowie Kraftfahrzeug
WO2023099066A1 (de) Simulation zur validierung einer automatisierenden fahrfunktion für ein fahrzeug
DE102006000916B3 (de) Vorrichtung und Verfahren zum bewerten eines dynamischen Systems
DE102021209394A1 (de) Validieren einer Fahrsteuerungsfunktion für den automatischen Betrieb eines Fahrzeugs
DE102021114044A1 (de) Verfahren zum Bereitstellen eines künstlichen neuronalen Netzes zur dreidimensionalen Objekterkennung, Recheneinrichtung für ein Fahrzeug, Computerprogramm sowie Computerlesbares (Speicher)Medium
DE102019215741A1 (de) Verfahren zum Klassifizieren einer multivariaten Messdatenreihe mittels eines maschinellen Lernsystems, Verfahren zum Anlernen eines maschinellen Lernsystems, Computerprogramm, computerlesbares Speichermedium, Computervorrichtung sowie Fahrzeug
EP4451159A1 (de) Hybrid-verkehrssimulation mit agentenmodellen zum test teleoperierter fahrzeuge
DE102022203370A1 (de) Vorrichtung und Verfahren zum Verändern eines technischen Systems oder eines technischen Ablaufs
DE102023201784A1 (de) Adaptive realdatenbasierte Simulation eines zentralisiert koordinierten Verkehrsraums
DE102023202995A1 (de) Verfahren zur Auswertung einer Verkehrsszene
DE102023114947A1 (de) Computerimplementiertes Verfahren und System zur Klassifikation einer Verkehrssituation

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20250115

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20250708